机器学习
文章平均质量分 83
weixin_43869906
这个作者很懒,什么都没留下…
展开
-
聚类六种算法
转载:https://blog.csdn.net/Katherine_hsr/article/details/79382249转载 2019-01-18 22:36:48 · 246 阅读 · 0 评论 -
机器学习-logistic
一、面对缺失数据集的方法:1.使用可用特征的均值来填补缺失值;2.使用特殊值来填补缺失值,如-1;3.忽略有缺失值的样本;4.使用相似样本的均值添补缺失值;5.使用另外的机器学习算法预测缺失值。...原创 2019-03-13 10:32:20 · 191 阅读 · 0 评论 -
机器学习-- > 隐马尔科夫模型
转载:https://blog.csdn.net/Mr_tyting/article/details/80633213转载 2019-03-04 19:07:48 · 186 阅读 · 0 评论 -
机器学习(三):朴素贝叶斯
对条件概率公式进行变形,可以得到如下形式:我们把P(A)称为"先验概率"(Prior probability),即在B事件发生之前,我们对A事件概率的一个判断。P(A|B)称为"后验概率"(Posterior probability),即在B事件发生之后,我们对A事件概率的重新评估。P(B|A)/P(B)称为&am原创 2019-02-27 09:29:02 · 140 阅读 · 0 评论 -
人工神经网络记录
1.epoch:中文翻译为时期。一个时期 = 所有训练样本的一个正向传递和一个反向传递。2.iteration: 中文翻译为迭代。迭代是重复反馈的动作,神经网络中我们希望通过迭代进行多次的训练以到达所需的目标或结果。每一次迭代得到的结果都会被作为下一次迭代的初始值。一个迭代 = 一个正向通过+一个反向通过...原创 2019-03-05 21:57:32 · 191 阅读 · 0 评论 -
人工神经网络-线性整流函数
引用:https://baike.baidu.com/item/线性整流函数/20263760?fr=aladdin线性整流函数(Rectified Linear Unit, ReLU),又称修正线性单元, 是一种人工神经网络中常用的激活函数(activation function),通常指代以斜坡函数及其变种为代表的非线性函数。通常意义下,线性整流函数指代数学中的斜坡函数,即而在神经网络中...转载 2019-03-05 21:01:34 · 2307 阅读 · 0 评论 -
机器学习(二)决策树
1.m.append()和m.extend()的区别2.列表转集合取出重复值3.理解递归4.数据可视化matplotlib,这里用到:getNumLeafs:获取决策树叶子结点的数目getTreeDepth:获取决策树的层数plotNode:绘制结点plotMidText:标注有向边属性值plotTree:绘制决策树createPlot:创建绘制面板...原创 2019-02-24 18:49:53 · 101 阅读 · 0 评论 -
机器学习(一):KNN算法
学习文章:https://blog.csdn.net/c406495762/article/details/75172850#commentBox不懂的地方逐一记录1.tile函数numpy.tile([0,0],(2,3))运行结果:array([[0,0,0,0,0,0],[0,0,0,0,0,0]])...原创 2019-02-17 17:06:26 · 137 阅读 · 0 评论 -
聚类算法——python实现密度聚类(DBSCAN)
直接参考:https://blog.csdn.net/u014028027/article/details/72185796写的很nice。转载 2019-01-19 15:11:51 · 696 阅读 · 0 评论 -
聚类算法——python实现密度聚类
转载:https://blog.csdn.net/u014028027/article/details/72185796转载 2019-01-19 10:38:55 · 1015 阅读 · 0 评论 -
RBF(径向基函数)神经网络
1、输入层到隐含层之间的距离不是通过权值和阈值进行连接的,而是通过输入样本与隐含层(与中心点的距离)进行连接的。2、得到距离之后,将距离代入径向基函数,得到一个数值。数值再与后边的权值相乘再求总和,就得到了相应输入的输出。3、在训练网络之前,需要确定中心点的个数,和中心点的位置。以及求出隐藏层各径向基函数的方差(宽窄程度)。和隐藏层和输出层之间的权值。4、中心点个数、中心点位置、方差、权值都...转载 2019-03-22 09:32:47 · 934 阅读 · 0 评论